随着生活水平的提高,车辆数量日益增大造成交通堵塞、交通意外事故和车辆废气对空气的污染等交通问题。智能交通系统充分的利用现有的交通基础设施,结合不同学科对交通进行管理,有效地缓解了交通压力。车流量统计为智能交通系统提供基础决策数据,有助于交通管理部门对交通进行优化调度,有助于驾驶员更好的选择出行路线,城市规划者可以根据车流量参数做出对道路是否进行加宽的规划,因此交通车流量统计的研究具有十分重要的理论意义及潜在的应用价值。本文面向路测系统的电子监控,研究基于视觉的交通车流量统计,主要研究内容包括:运动目标检测和车辆统计。提出在HSV颜色空间下利用RPCA的运动目标检测算法,设计基于双虚拟检测线的车辆统计方法,提高了运动目标检测以及车辆计数的准确性和鲁棒性,为智能交通系统提供了准确可靠的交通车流量参数。主要创新点如下:1、针对基于灰度信息的运动目标检测存在阴影识别能力差、检测精度低等问题,提出在HSV颜色空间下基于低秩矩阵分解的运动目标检测算法,分别对视频序列中的H、S、V三个分量构建观测矩阵,建立RPCA模型,通过低秩矩阵优化,得到三个分量的低秩部分和稀疏部分,初步得到运动车辆;对运动车辆进行噪声去除和空洞的填充,得到准确的前景运动车辆。实验验证表明,与其它方法相比,能够有效地去除阴影,可以提高运动车辆检测的准确性。2、深入研究常用的两类车辆统计方法:目标跟踪法和虚拟线圈法,提出基于双虚拟检测线的车辆统计方法,设置双虚拟检测线形成虚拟检测区域,对检测区域中的车辆信息进行提取,将统计后的车辆信息转化为一个一维函数,进一步修正车辆信息,设计车辆计数规则,通过判断车辆是否通过虚拟检测区域进行计数。最后,针对不同道路的交通视频,采用本文方法实现运动车辆检测以及车辆统计,实验结果表明,本文提出的运动目标检测算法可以提高运动车辆检测的准确性和鲁棒性,车辆统计方法得到的结果准确率较高,具有一定的可行性。